JP6964689B2

JP6964689B2 - サンプル重み設定方法及び装置、電子装置

Info

Publication number: JP6964689B2
Application number: JP2019564949A
Authority: JP
Inventors: 欽張; 一帆楊; 弓張
Original assignee: Beijing Sankuai Online Technology Co Ltd
Current assignee: Beijing Sankuai Online Technology Co Ltd
Priority date: 2017-05-23
Filing date: 2017-12-29
Publication date: 2021-11-10
Anticipated expiration: 2037-12-29
Also published as: EP3617909A1; KR20200003109A; KR102340463B1; CN107341176A; CN107341176B; EP3617909A4; JP2020522061A; US20200175023A1; CA3062119A1; WO2018214503A1

Description

＜関連出願への相互参照＞
本特許出願は、２０１７年５月２３日に提出され、出願番号が２０１７１０３７０４７３．４であり、発明の名称が「サンプル重み設定方法及び装置、電子装置」である中国特許出願の優先権を主張し、該出願の全内容が引用により本明細書に組み込まれる。

本出願はコンピュータ技術の分野に関し、特にサンプル重み設定方法及び装置、電子装置に関する。

Ｏ２Ｏプラットフォームによって提供される検索、推奨などのサービスの精度は、サービスによる直感的なエクスペリエンスに直接影響する。検索又は推奨などのサービスに関わらず、その技術的手段はほとんど既存のユーザ行動ログに基づいてトレーニングサンプルを取得し、その後、一定のアルゴリズムを応用して、ランキングモデルをトレーニングすることである。既存のトレーニングサンプルに基づいてモデルをトレーニングする過程では、トレーニングして得られたモデルの精度を向上させるために、通常、サンプルに対して手動ラベリング、手動又は自動スクリーニングを行い、一定の代表的なサンプルを選択する必要がある。サンプルラベリング方法では、主にクリックされた興味のあるポイントをポジティブサンプルとして定義し、クリックされていない興味のあるポイントをネガティブサンプルとして分類する。しかし、Ｏ２Ｏ分野に対して、興味のあるポイントの著しいエリア別又は時間分布などの特徴により、ユーザ訪問量が多い人気のあるエリア又は人気のある期間における興味のあるポイントが密に分布し、全て質の高い販売者又は製品のサンプルに属すので、この部分の興味のあるポイントをポジティブサンプルとするべきである。しかしながら、クリックするか否かなどの簡単なルールのみに応じてサンプルラベリングを行うと、必然的にラベルとサンプル特徴の間の不一致性が発生する。即ち、特徴からポジティブサンプルとしてラベリングされるのが明らかである興味のあるポイントがネガティブサンプルとしてラベリングされてしまう。

本出願の実施例は、正確な検索又は推奨結果をユーザに示すためのサンプル重み設定方法を提供する。

上記問題を解決するために、第一の態様では、本出願の実施例によるサンプル重み設定方法は、
トレーニングされるサンプルの人気度指標の値を取得することと、
各前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定することと、
全ての前記人気度指標に対応する前記単一人気度指標重みに基づき、前記トレーニングされるサンプルのサンプル重みを決定することを含む。

第二の態様では、本出願の実施例によるサンプル重み設定装置は、
トレーニングされるサンプルの人気度指標の値を取得するための人気度指標取得モジュールと、
各前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定するための単一人気度指標重み決定モジュールと、
全ての前記人気度指標に対応する前記単一人気度指標重みに基づき、前記トレーニングされるサンプルのサンプル重みを決定するためのサンプル重み決定モジュールを備える。

第三の態様では、本出願の実施例による電子装置は、メモリ、プロセッサ及び前記メモリに記憶され、且つ前記プロセッサで実行可能なコンピュータプログラムを備え、前記プロセッサが前記コンピュータプログラムを実行する時に本出願の実施例で開示される前記サンプル重み設定方法が実現される。

第四の態様では、本出願の実施例によるコンピュータ可読記憶媒体は、コンピュータプログラムを記憶し、該コンピュータプログラムがプロセッサによって実行される時に本出願の実施例で開示される前記サンプル重み設定方法が実現される。

本出願の実施例で開示されるサンプル重み設定方法では、トレーニングされるサンプルの人気度指標の値を取得し、その後、各前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定し、全ての前記人気度指標に対応する前記単一人気度指標重みに基づいて前記トレーニングされるサンプルのサンプル重みを決定することにより、正確な検索又は推奨結果をユーザに示す。人気度指標と組み合わせてサンプルのサンプル重みを設定することにより、人気度の高いエリア又は期間又はカテゴリのサンプルのサンプル重みが適切に減少し、それによってトレーニングされたモデルの精度が向上し、ユーザに示される検索又は推奨結果の精度がさらに向上する。

本出願の実施例の技術的解決策をより明確に説明するために、以下に実施例又は従来技術の説明に必要な図面を簡単に説明するが、明らかに、以下の説明における図面は本出願のいくつかの実施例に過ぎず、当業者であれば、創造的な労力を要することなく、これらの図面に基づいて他の図面を得ることができる。
本出願の一実施例のサンプル重み設定方法のフローチャートである。本出願の別の実施例のサンプル重み設定方法のフローチャートである。本出願のさらなる実施例のサンプル重み設定方法のフローチャートである。本出願の一実施例のサンプル重み設定装置の構造模式図である。本出願の別の実施例のサンプル重み設定装置の構造模式図である。

以下に本出願の実施例の図面と組み合わせて本出願の実施例の技術的解決策を明確かつ完全に説明するが、明らかに、説明される実施例は本出願の実施例の一部に過ぎず、全ての実施例ではない。本出願の実施例に基づき、当業者が創造的な労力を要せずに得る他の実施例は、全て本出願の保護範囲に属する。

本出願の一実施例で開示されるサンプル重み設定方法は、図１に示すように、ステップ１００〜ステップ１２０を含む。

ステップ１００において、トレーニングされるサンプルの人気度指標の値を取得する。

用いられるサンプルは現在のシステム又はプラットフォームにおけるログデータ、例えば、Ｏ２Ｏプラットフォームにおけるユーザが商品をクリック又は購入するログ、検索システムにおけるユーザが商品又は販売者をクリック又は閲覧するログなどであってもよい。具体的に実施する時に、ログデータをサンプルデータソースとして用いる。ログデータを取得し、ログデータからサンプルデータを取得する具体的な方法は当業者によく知られているため、ここでは説明を省略する。

取得されたサンプルデータはサンプル特徴とサンプルの関連情報を含むことができる。ここで、サンプル特徴は販売者のスタースコア、コメント数、購入量、クリックフィードバック、及びユーザ嗜好などの特徴を含むことができ、サンプルの関連情報は販売者又は製品の訪問量、訪問時間情報、販売者又は製品の地理的位置情報、販売者又は製品のカテゴリ情報などを含む。ここで、サンプル特徴はモデルをトレーニングする時の特徴ベクトル、即ち、トレーニングされるサンプルを構成し、サンプルの関連情報は対応するトレーニングされるサンプルの人気度指標の値を決定する。サンプル特徴（即ち、トレーニングされるサンプル）を取得する具体的なスキームは、当業者によく知られているため、ここでは説明を省略する。

具体的に実施する時に、人気度指標は、エリア人気度、タイム人気度、カテゴリ人気度のうちの一つ又は複数に設定されてもよい。例えば、人気度指標はエリア人気度のみを含むことができ、エリア人気度だけでなく、カテゴリ人気度とタイム人気度を含むこともできる。トレーニングされるサンプルを分析することにより、各トレーニングされるサンプルのエリア人気度、タイム人気度とカテゴリ人気度の値を取得することができる。

ステップ１１０において、各前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定する。

各人気度指標はトレーニングされるサンプルの重みに影響を与える。具体的に実施する時に、各人気度指標に基づいてそれぞれ計算された重みを単一人気度指標重みと呼ぶ。例えば、エリア人気度指標の値に基づいてサンプルのエリア人気度重みを計算し、タイム人気度指標の値に基づいてサンプルのタイム人気度重みを計算し、カテゴリ人気度指標の値に基づいてサンプルのカテゴリ人気度重みを計算する。具体的に実施する時に、人気度指標の単調減少関数に基づいて各人気度指標に対応するトレーニングサンプルの単一人気度指標重みを計算する。異なる人気度指標に対して、単調減少関数におけるパラメータが異なる可能性があり、パラメータの値が実験により決定される。モデルをトレーニングする時に、各人気度指標に基づいてそれぞれ計算された重みを該サンプルのサンプル重みの一つの因子とする。

ステップ１２０において、全ての前記人気度指標に対応する前記単一人気度指標重みに基づき、前記トレーニングされるサンプルのサンプル重みを決定する。

各人気度指標に基づいて対応する単一人気度指標重みをそれぞれ計算した後、全ての単一人気度指標重みを乗算し、得られた積を前記トレーニングされるサンプルのサンプル重みとする。即ち、モデルをトレーニングする時に、予め設定された人気度指標の値に基づいて前記トレーニングされるサンプルのサンプル重みを決定する。または、単一人気度指標の重要度に応じて少なくとも一つの前記単一人気度指標重みを調整し、その後、全ての調整された単一人気度指標重みの積を計算し、前記積を前記トレーニングされるサンプルのサンプル重みとする。前記単一人気度指標重みを調整する時に、得られたサンプル重みに対するある単一人気度指標重みの割合が予め設定された重要度に適応する場合、該単一人気度指標重みを調整する必要がなく、得られたサンプル重みに対する単一人気度指標重みの割合が予め設定された重要度に適応しない場合、該単一人気度指標重みを調整する必要がある。具体的に実施する時に、該単一人気度指標重みを一定の割合で拡大又は縮小することにより、前記トレーニングされるサンプルのサンプル重みに対する調整された単一人気度指標重みの割合は前記単一人気度指標の重要度に適応することができる。

本実施例で開示されるサンプル重み設定方法では、トレーニングされるサンプルの人気度指標の値を取得し、その後、各前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定し、全ての前記人気度指標に対応する前記単一人気度指標重みに基づいて前記トレーニングされるサンプルのサンプル重みを決定することにより、正確な検索又は推奨結果をユーザに示す。人気度指標と組み合わせてサンプルのサンプル重みを設定することにより、人気度の高いエリア又は期間又はカテゴリのサンプルのサンプル重みが適切に減少し、それによってトレーニングされるモデルの精度が向上し、ユーザに示される検索又は推奨結果の精度がさらに向上する。

本出願の別の実施例で開示されるサンプル重み設定方法は、図２に示すように、ステップ２００〜ステップ２２０を含む。

具体的に実施する時に、人気度指標は、エリア人気度、タイム人気度、カテゴリ人気度のうちの一つ又は複数に設定されてもよい。本実施例では、人気度指標がエリア人気度であることを例として、人気度指標の値の取得方法、及び取得された人気度指標の値に基づいて前記トレーニングされるサンプルの単一人気度指標重みを決定する具体的なプロセスを説明する。

ステップ２００において、トレーニングされるサンプルのエリア人気度の値を取得する。

トレーニングされるサンプルを取得する具体的な方法については上記実施例を参照し、ここでは説明を省略する。本実施例で取得されたサプルデータは、サンプル特徴とサンプルの関連情報を含むことができ、ここで、サンプルの関連情報はさらに販売者又は製品の訪問量、訪問時間情報、訪問行動、販売者又は製品の地理的位置情報、販売者又は製品のカテゴリ情報などを含む。具体的に実施する時に、販売者の地理的位置情報が経緯度座標であることを例として、トレーニングされるサンプルのエリア人気度指標の値を取得する具体的なスキームを説明する。

具体的に実施する時に、トレーニングされるサンプルのエリア人気度の値を取得することは、全てのトレーニングされるサンプルを地理的位置に従って対応するエリアブロックに区分することと、各前記エリアブロックのエリア人気度を決定することを含む。

まず、全てのトレーニングされるサンプルのデータ構造を解析し、各トレーニングされるサンプルの地理的位置情報に基づいて前記トレーニングされるサンプルにカバーされたエリア全体を決定し、次に予め設定されたルールに従って前記エリア全体を対応する複数のエリアブロックに区分し、最後に、各エリアブロックのエリア人気度をそれぞれ決定する。具体的に実施する時に、エリア人気度の値は様々なデータ、例えば、エリアブロックの履歴訪問者数、エリアブロック内の販売者の数、及び該エリアブロック内の地理的位置の履歴訪問リクエストの数などで示されてもよい。

本実施例では、エリアブロックの区分ルールについて、エリア全体を５００ｍ×５００ｍの隣接するエリアブロックに区分することを例とする。サンプルの地理的位置が緯度と経度で表されると仮定し、計算を容易にするために、サンプルの地理的位置の緯度と経度の値に２００をそれぞれ掛けてから切り上げ、次に全てのサンプルの緯度と経度の値を統計し、緯度と経度の値に基づいて全てのサンプルにカバーされたエリア全体を本５００ｍ×５００ｍのエリアブロックに区分する。

次に、各エリアブロックの緯度と経度の値の範囲とサンプルの地理的位置に基づき、サンプルとエリアブロックを関連付け、さらに各エリアブロックに関連付けられている全てのサンプル、即ち、地理的位置が該エリアブロック内に位置する全てのサンプルを決定する。

最後に、各エリアブロックに関連付けられているサンプルに基づいて各エリアブロックのエリア人気度をそれぞれ決定する。月間履歴訪問リクエストの数をエリア人気度とすることを例とすると、各エリアブロックに対して、該エリアブロックに関連付けられている全てのサンプルに基づき、直近の一か月間の訪問リクエスト数を統計し、得られた訪問リクエストの数が該エリアブロックのエリア人気度となる。具体的に実施する時に、該エリアブロックに関連付けられている全てのサンプルのうち、クリック及び閲覧行動が発生するサンプルの数を該エリアブロックのエリア熱度エリア人気度とするか、又は、該エリアブロックに関連付けられている全てのサンプルに係る販売者の数を該エリアブロックのエリア人気度とすることができる。本出願は各エリアブロックのエリア人気度を決定する具体的な方式を限定しない。

全てのトレーニングサンプルがＭ個のエリアブロックに分布している場合、Ｍ個のエリアブロックに対応するＭ個のエリア人気度の値F(lng_j，lat_j)を取得し、ここで１≦ｊ≦Ｍとする。

ステップ２１０において、エリア人気度の値に基づいて前記トレーニングされるサンプルのエリア人気度重みを決定する。

具体的に実施する時に、各前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定することは、エリア人気度の単調減少関数に基づいてトレーニングされるサンプルのエリア人気度重みを決定することを含む。具体的に実施する時に、サンプルのエリア人気度重みの計算式は式１で表されてもよく、

式１と式２では、F(lng_j，lat_j) はｊ番目のエリアブロックのエリア人気度の値であり、x_iはエリアブロックｊにおける一つのトレーニングされるサンプルを表し、W(x_i) はエリアブロックｊにおける一つのトレーニングされるサンプルのサンプルエリア人気度重みを表し、D(lng_j，lat_j) はｊ番目のエリアブロックに関連付けられているトレーニングサンプルセットを表し、H(F(lng_j，lat_j)) はエリア人気度の単調減少関数を表す。

具体的に実施する時に、単調減少関数は式３又は式４で表されてもよく、

式３と式４では、F(lng_j，lat_j) はｊ番目のエリアブロックのエリア人気度の値であり、ｃは単調傾向を制御する調和パラメータであり、このパラメータの設定はエリア人気度の値の分布を考慮する必要があり、同時にモデルトレーニングのためのａｕｃ、ＭＡＰなどの指標に基づいて決定することができる。ここで、ａｕｃは分類結果を評価する指標であり、分類モデルの評価に用いられ、ＭＡＰはランキングを評価する指標である。

サンプルのエリア人気度重みの計算式から分かるように、エリア人気度の値が低いエリアブロックに関連付けられているサンプルの重みは増加するが、エリア人気度の値が高いエリアブロックに関連付けられているサンプルの重みは減少する。

ステップ２２０において、前記エリア人気度重みを前記トレーニングされるサンプルのサンプル重みとして決定する。

人気度指標にエリア人気度のみがある場合、トレーニングされるサンプルのエリア人気度重みを前記トレーニングされるサンプルのサンプル重みとする。

本実施例で開示されるサンプル重み設定方法では、トレーニングされるサンプルのエリア人気度の値を取得し、その後、各前記エリア人気度の値に基づいて前記トレーニングされるサンプルのエリア人気度重みを決定し、前記エリア人気度重みを前記トレーニングされるサンプルのサンプル重みとして決定することにより、正確な検索又は推奨結果をユーザに示す。人気度指標と組み合わせてサンプルのサンプル重みを設定することにより、人気度の高いエリアのサンプルのサンプル重みが適切に減少し、それによってトレーニングされるモデルの精度が向上し、ユーザに示される検索又は推奨結果の精度がさらに向上する。

本出願のさらなる実施例で開示されるサンプル重み設定方法は、図３に示すように、ステップ３００〜ステップ３２０を含む。

本実施例では、人気度指標がエリア人気度、カテゴリ人気度とタイム人気度を含むことを例として、モデルをトレーニングする時に、人気度指標の値を取得する方法、及び取得された人気度指標の値に基づいて前記トレーニングされるサンプルの単一人気度指標重みを決定し、単一人気度指標重みに基づいてサンプルの重みを決定する具体的なプロセスを説明する。

ステップ３００において、トレーニングされるサンプルのエリア人気度の値、カテゴリ人気度の値とタイム人気度の値を取得する。

トレーニングされるサンプルを取得する具体的な方法については上記実施例を参照し、ここでは説明を省略する。本出願の実施例で取得されたサプルデータのサンプルの関連情報は、販売者又は製品の訪問量、訪問時間情報、訪問行動、販売者又は製品の地理的位置情報、販売者又は製品のカテゴリ情報などを含む。具体的に実施する時に、販売者の地理的位置情報が経緯度座標であることを例として、トレーニングされるサンプルのエリア人気度指標の値を取得する具体的なスキームを説明する。

具体的に実施する時に、トレーニングされるサンプルのエリア人気度の値を取得することは、全てのトレーニングされるサンプルを地理的位置に従って対応するエリアブロックに区分することと、各前記エリアブロックのエリア人気度を決定することを含む。トレーニングされるサンプルのエリア人気度の値を取得する具体的な実施方式については上記実施例を参照し、ここでは説明を省略する。全てのトレーニングサンプルがＭ_１個のエリアブロックに分布している場合、Ｍ_１個のエリアブロックに対応するＭ_１個のエリア人気度の値F₁(lng_j，lat_j) を取得し、ここで１≦ｊ≦Ｍ_１とする。

トレーニングされるサンプルのタイム人気度の値を取得することは、全てのトレーニングされるサンプルを時間に従って対応する期間に区分することと、各前記期間のタイム人気度を決定することを含む。まず、全てのトレーニングされるサンプルのデータ構造を解析し、各トレーニングされるサンプルの訪問時間情報に基づいて前記トレーニングされるサンプルにカバーされた期間全体を決定し、次に予め設定されたルール（例えば、７日間を一つの期間とする）に従って前記期間全体を複数の期間に区分し、最後に、各期間のタイム人気度をそれぞれ決定する。具体的に実施する時に、タイム人気度の値は様々なデータ、例えば、期間内の訪問者の数、該期間内の履歴訪問リクエストの数などで示されてもよい。本出願は各期間のタイム人気度を決定する具体的な方式を限定しない。全てのトレーニングサンプルがＭ_２個の期間に分布している場合、Ｍ_２個の期間に対応するＭ_２個のタイム人気度の値F₂(Time_j) を取得し、ここで１≦ｊ≦Ｍ_２とする。

トレーニングされるサンプルのカテゴリ人気度の値を取得することは、全てのトレーニングされるサンプルに基づいて各カテゴリのカテゴリ人気度を決定することを含む。ここで、各カテゴリのカテゴリ人気度は該カテゴリの販売者の総数又は該カテゴリの履歴訪問数である。具体的に実施する時に、まず、全てのトレーニングされるサンプルのデータ構造を解析し、各トレーニングされるサンプルの製品カテゴリ情報に基づいて前記トレーニングされるサンプルにカバーされた全ての製品カテゴリを決定し、次に各カテゴリの販売者の総数又は該カテゴリの履歴訪問数を該カテゴリのカテゴリ人気度の値としてそれぞれ決定する。本出願はカテゴリ人気度の値を決定する具体的な方式を限定しない。全てのトレーニングサンプルがＭ_３個のカテゴリに分布している場合、Ｍ_３個のカテゴリに対応するＭ_３個のカテゴリ人気度の値F₃(Pro_j) を取得し、ここで１≦ｊ≦Ｍ_３とする。

ステップ３１０において、エリア人気度の値、タイム人気度の値とカテゴリ人気度の値に基づいて前記トレーニングされるサンプルのエリア人気度重み、タイム人気度重みとカテゴリ人気度重みをそれぞれ決定する。

具体的に実施する時に、モデルをトレーニングする時に、各前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定することは、エリア人気度の単調減少関数に基づいてトレーニングされるサンプルのエリア人気度重みを決定することと、タイム人気度の単調減少関数に基づいてトレーニングされるサンプルのタイム人気度重みを決定することと、カテゴリ人気度の単調減少関数に基づいてトレーニングされるサンプルのカテゴリ人気度重みを決定することを含む。

エリア人気度の単調減少関数に基づいてトレーニングされるサンプルのエリア人気度重みを決定する具体的な実施方式については上記実施例を参照し、ここでは説明を省略する。

タイム人気度の単調減少関数に基づいてトレーニングされるサンプルのタイム人気度重みを決定する時に、サンプルのタイム人気度重みの計算式は式５で表されてもよく、

具体的に実施する時に、単調減少関数についてはエリア人気度を計算する単調減少関数を参照し、例えば、式７で表されてもよく、

ここで、F₂(Time_j) はｊ番目の期間のタイム人気度の値であり、ｃは単調傾向を制御する調和パラメータであり、具体的な設定方法についてはエリア人気度の式における調和パラメータ設定方法を参照する。

カテゴリ人気度の単調減少関数に基づいてトレーニングされるサンプルのカテゴリ人気度重みを決定する時に、サンプルのカテゴリ人気度重みの計算式は式８で表されてもよく、

ここで、F_3avg は全ての期間のエリア人気度の平均値であり、式９に従って計算されてもよく、

式８と式９では、F₃(Pro_j) はｊ番目のカテゴリのカテゴリ人気度の値であり、x_i はカテゴリｊにおける一つのトレーニングされるサンプルを表し、W₃(x_i) はカテゴリｊにおける一つのトレーニングされるサンプルのサンプルカテゴリ人気度重みを表し、D(Pro_j) はｊ番目のカテゴリに関連付けられているトレーニングサンプルセットを表し、H(F₃(Pro_j)) はカテゴリ人気度の単調減少関数を表す。

具体的に実施する時に、カテゴリ人気度の単調減少関数についてはエリア人気度を計算する単調減少関数を参照し、又はエリア人気度の単調減少関数を参照し、ここでは説明を省略する。

単一人気度指標重みの計算式から分かるように、人気度指標の値が低いエリアブロック又は期間又はカテゴリに関連付けられているサンプルの重みは増加し、単一人気度指標の値が高いエリアブロック又は期間又はカテゴリに関連付けられているサンプルの重みは減少する。

グルメの検索を例とすると、人気のあるエリアに質の高い販売者が多い場合、ユーザが表示された販売者に対するクリックを選択する行動が一定のランダム性を有し、したがって、収集されたトレーニングサンプルに多くの質の高い販売者がクリックされていないことがある。販売者を記述する特徴次元が少ない場合、クリックされたサンプルの特徴とクリックされていないサンプルの特徴が同じである可能性がある。モデルがトレーニングされる時に、多数の特徴ベクトルがポジティブサンプルにもネガティブサンプルにも属すれば、モデルのトレーニングが不正確につながる。該人気度の高いエリア、期間又はカテゴリのポジティブサンプル、ネガティブサンプルの重みを適切に減少させて、モデルがトレーニングされる時に多数の同じ特徴ベクトルが異なるラベルとしてラベリングされることによる影響を低減し、モデルトレーニング過程における特徴の役割を強化して、モデルトレーニングの精度を向上させる。

ステップ３２０において、前記エリア人気度重み、タイム人気度重みとカテゴリ人気度重みに基づき、前記トレーニングされるサンプルのサンプル重みを決定する。

具体的に実施する時に、全ての前記人気度指標に対応する前記単一人気度指標重みに基づき、前記トレーニングされるサンプルのサンプル重みを決定するステップは、全ての前記人気度指標に対応する前記単一人気度指標重みの積を決定し、前記積を前記トレーニングされるサンプルのサンプル重みとすること、又は、単一人気度指標の重要度に応じて前記人気度指標に対応する少なくとも一つの前記単一人気度指標重みを調整し、全ての前記人気度指標に対応する調整された単一人気度指標重みの積を前記トレーニングされるサンプルのサンプル重みとすることを含む。ここで、前記トレーニングされるサンプルのサンプル重みに対する、前記人気度指標に対応する調整された単一人気度指標重みの割合が前記単一人気度指標の重要度に適応するように、前記人気度指標に対応する少なくとも一つの前記単一人気度指標重みを調整する。

人気度指標がエリア人気度、タイム人気度とカテゴリ人気度を含む場合、具体的に実施する時に、トレーニングされるサンプルの前記エリア人気度重み、タイム人気度重みとカテゴリ人気度重みの積を前記トレーニングされるサンプルのサンプル重みとすることができる。トレーニングされるサンプルx_iを例とすると、モデルがトレーニングされる時のサンプル重みはW₁(x_i)×W₂(x_i)×W₃(x_i) であり、ここで、W₁(x_i) はトレーニングされるサンプルx_i の位置するエリアブロックにおけるトレーニングされるサンプルのサンプルエリア人気度重みに等しく、W₂(x_i) はトレーニングされるサンプルx_i の位置する期間におけるトレーニングされるサンプルのサンプルタイム人気度重みに等しく、W₃(x_i) はトレーニングされるサンプルx_iの位置するカテゴリにおけるトレーニングされるサンプルのサンプルカテゴリ人気度重みに等しい。

サービスニーズに応じて単一人気度指標の重要度を予め設定する場合、まず単一人気度指標の重要度に応じて前記単一人気度指標重みを対応して調整し、次に全ての前記人気度指標に対応する調整された単一人気度指標重みの積を前記トレーニングされるサンプルのサンプル重みとする。例えば、単一人気度指標の重要度は、エリア人気度指標重みの割合が８０％より大きく、タイム人気度指標重みの割合が５％より小さいように設定される。具体的に実施する時に、まず、エリア人気度重み、タイム人気度重みとカテゴリ人気度重みの積を計算し、次にエリア人気度重みとタイム人気度重みの割合をそれぞれ決定する。エリア人気度重みの割合が８０％より大きく、且つタイム人気度重みの割合が５％より小さい場合、重みに対していかなる調整も行わない。エリア人気度重みの割合が８０％以下であり、且つタイム人気度重みの割合が５％より小さい場合、エリア人気度重みを一定の割合、例えば、１．５倍に拡大し、次にエリア人気度重みの割合を再度計算し、エリア人気度重みの割合が８０％を超えるまで続く。最後に、調整されたエリア人気度重み、タイム人気度重みとカテゴリ人気度重みの積を前記トレーニングされるサンプルのサンプル重みとする。エリア人気度重みの割合が８０％以下であり、且つタイム人気度重みの割合が５％より大きい場合、エリア人気度重みを一定の割合で拡大し、同時にタイム人気度重みを一定の割合で縮小し、例えば、４％に縮小し、次にエリア人気度重みとタイム人気度重みの割合を再度計算し、エリア人気度重みとタイム人気度重みの割合が予め設定された重要度に適応するまで続く。最後に、調整されたエリア人気度重み、タイム人気度重みとカテゴリ人気度重みの積を前記トレーニングされるサンプルのサンプル重みとする。

以下、トレーニングされるモデルが線形モデルであることを例として、線形モデルのロジスティック回帰に基づき、本出願のサンプル重み設定方法の効果を説明する。
ロジスティック回帰の基本的な関係については、
線形境界は式１０であり、

損失関数は式１２であり、

ここで、式１０では、θはサンプル特徴重みであり、ｘは特徴値であり、ｎはサンプル特徴次元であり、

はサンプルベクトルであり、

はサンプル特徴重みベクトルである。予測関数はサンプルの回帰値に対応する。式１２では、ｙはラベリングされたサンプルラベルであり、ポジティブサンプルのラベルは１であり、ネガティブサンプルのラベルは０である。損失関数の継続的な反復に伴い、モデルが収束するまでサンプル重みが更新され、ポジティブサンプルは１に近く回帰し、ネガティブサンプルは０に近く回帰する。損失関数の形態から分かるように、モデルがサンプルをトラバースして反復する時に、サンプルの重みが大きいほどモデル学習プロセスに対する影響が大きいことで、このようなサンプルはより十分に学習される。したがって、人気度に基づいてサンプルの重みを調整した後、モデルがトレーニングされる時にラベリングが十分に正確ではないサンプルの重要性が減少し、即ち、モデルのトレーニングの精度を向上させるという効果を達成する。

本出願の実施例で開示されるサンプル重み設定方法では、トレーニングされるサンプルの人気度指標の値を取得し、その後、各前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定し、全ての前記人気度指標に対応する前記単一人気度指標重みに基づいて前記トレーニングされるサンプルのサンプル重みを決定することにより、正確な検索又は推奨結果をユーザに示す。人気度指標と組み合わせてサンプルのサンプル重みを設定することにより、人気度の高いエリア又は期間又はカテゴリのサンプルのサンプル重みが適切に減少し、それによってトレーニングされるモデルの精度が向上し、ユーザに示される検索又は推奨結果の精度がさらに向上する。

本出願の一実施例で開示されるサンプル重み設定装置は、図４に示すように、
トレーニングされるサンプルの人気度指標の値を取得するための人気度指標取得モジュール４００と、
各前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定するための単一人気度指標重み決定モジュール４１０と、
全ての前記人気度指標に対応する前記単一人気度指標重みに基づき、前記トレーニングされるサンプルのサンプル重みを決定するためのサンプル重み決定モジュール４２０を備える。

好ましくは、前記人気度指標は、エリア人気度、タイム人気度、カテゴリ人気度を含む。

好ましくは、図５に示すように、前記サンプル重み決定モジュール４２０は、
全ての前記人気度指標に対応する前記単一人気度指標重みの積を決定し、前記積を前記トレーニングされるサンプルのサンプル重みとするための第一のサンプル重み決定ユニット４２０１、又は、単一人気度指標の重要度に応じて前記人気度指標に対応する少なくとも一つの前記単一人気度指標重みを調整し、全ての前記人気度指標に対応する調整された単一人気度指標重みの積を前記トレーニングされるサンプルのサンプル重みとするための第二のサンプル重み決定ユニット４２０２を含み、
ここで、前記人気度指標に対応する少なくとも一つの前記単一人気度指標重みを調整することは、
前記トレーニングされるサンプルのサンプル重みに対する調整後の単一人気度指標重みの割合が前記単一人気度指標の重要度に適応するように、少なくとも一つの単一人気度指標重みを調整することを含む。
前記人気度指標がエリア人気度を含む場合、好ましくは、図５に示すように、前記単一人気度指標重み決定モジュール４１０は第一の単一人気度指標重み決定ユニット４１０１を含み、前記第一の単一人気度指標重み決定ユニット４１０１がエリア人気度の単調減少関数に基づいてトレーニングされるサンプルのエリア人気度重みを決定するために用いられる。

前記人気度指標がタイム人気度を含む場合、好ましくは、図５に示すように、前記単一人気度指標重み決定モジュール４１０は第二の単一人気度指標重み決定ユニット４１０２を含み、前記第二の単一人気度指標重み決定ユニット４１０２はタイム人気度の単調減少関数に基づいてトレーニングされるサンプルのタイム人気度重みを決定するために用いられる。

前記人気度指標がカテゴリ人気度を含む場合、好ましくは、図５に示すように、前記単一人気度指標重み決定モジュール４１０は第三の単一人気度指標重み決定ユニット４１０３を含み、前記第三の単一人気度指標重み決定ユニット４１０３はカテゴリ人気度の単調減少関数に基づいてトレーニングされるサンプルのカテゴリ人気度重みを決定するために用いられる。

本出願の実施例で開示されるサンプル重み設定装置では、トレーニングされるサンプルの人気度指標の値を取得し、その後、各前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定し、全ての前記人気度指標に対応する前記単一人気度指標重みに基づいて前記トレーニングされるサンプルのサンプル重みを決定することにより、正確な検索又は推奨結果をユーザに示す。人気度指標と組み合わせてサンプルのサンプル重みを設定することにより、人気度の高いエリア又は期間又はカテゴリのサンプルのサンプル重みが適切に減少し、それによってトレーニングされるモデルの精度が向上し、ユーザに示される検索又は推奨結果の精度がさらに向上する。

それに対応して、本出願による電子装置は、メモリ、プロセッサ及び前記メモリに記憶され、且つ前記プロセッサで実行可能なコンピュータプログラムを備え、前記プロセッサが前記コンピュータプログラムを実行する時に上述したサンプル重み設定方法が実現される。前記電子装置はＰＣ機、移動端末、パーソナルデジタルアシスタント、タブレットコンピュータなどであってもよい。

本出願によるコンピュータ可読記憶媒体は、コンピュータプログラムを記憶し、該コンピュータプログラムがプロセッサによって実行される時に上述したサンプル重み設定方法が実現される。

本明細書における各実施例は漸進的に説明され、各実施例において主に説明された内容は他の実施例との相違点であり、各実施例の間の同じ又は類似する部分は互いに参照すればよい。装置の実施例については、それが方法の実施例とほぼ同じであるため、説明は比較的単純であり、関連内容は方法の実施例の部分の説明を参照すればよい。

以上、本出願によるサンプル重み設定方法、装置を詳しく説明し、本明細書で具体的な例を応用して本出願の原理及び実施形態を説明したが、以上の実施例の説明は本出願の方法及びそのコア思想の理解を助けるためのものに過ぎず、同時に、当業者であれば、本出願の思想に基づき、具体的な実施形態及び応用範囲において変更を行うことができるので、上述したように、本明細書の内容は本出願を限定するものと理解すべきではない。

当業者は、以上の実施形態の説明により、各実施形態がソフトウェアと必要な汎用ハードウェアプラットフォームを組み合わせることで実現されてもよいこと、そして当然のことながら、ハードウェアで実現されてもよいことを理解できる。このような理解に基づき、上記の技術的解決策は、実質的に、又は従来技術に寄与する部分は、ソフトウェア製品の形態で表現されてもよい。該コンピュータソフトウェア製品はコンピュータ可読記憶媒体、例えば、ＲＯＭ／ＲＡＭ、磁気ディスク、光ディスクなどに記憶されてもよく、コンピュータ装置（パーソナルコンピュータ、サーバ又はネットワーク装置などであってもよい）に各実施例又は実施例のいくつかの部分に記載される方法を実行させるための複数のコマンドが含まれる。

Claims

コンピュータに実行されるサンプル重み設定方法であって、
Ｏ２Ｏプラットフォームにおけるログデータを取得することと、
前記ログデータに基づいてトレーニングされるサンプルの人気度指標の値を取得し、前記人気度指標は、エリア人気度、タイム人気度、カテゴリ人気度を含むことと、
各前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定することと、
全ての前記人気度指標に対応する前記単一人気度指標重みに基づき、前記トレーニングされるサンプルのサンプル重みを決定することとを含み、
前記サンプル重みを決定することは、
単一人気度指標の重要度に応じて前記人気度指標に対応する少なくとも一つの前記単一人気度指標重みを調整することと、
全ての前記人気度指標に対応する前記調整された単一人気度指標重みの積を前記トレーニングされるサンプルのサンプル重みとすることと、を含む
ことを特徴とする前記サンプル重み設定方法。
前記単一人気度指標の重要度に応じて前記人気度指標に対応する少なくとも一つの前記単一人気度指標重みを調整することは、
前記トレーニングされるサンプルのサンプル重みに対する前記調整された単一人気度指標重みの割合が前記単一人気度指標の重要度に適応するように、前記単一人気度指標の重要度に応じて前記人気度指標に対応する前記単一人気度指標重みを調整することを含むことを特徴とする請求項１に記載の方法。
前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定することは、
前記エリア人気度の単調減少関数に基づいて前記トレーニングされるサンプルのエリア人気度重みを決定することを含むことを特徴とする
請求項１に記載の方法。
前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定することは、
前記タイム人気度の単調減少関数に基づいて前記トレーニングされるサンプルのタイム人気度重みを決定することを含むことを特徴とする
請求項１に記載の方法。
前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定することは、
前記カテゴリ人気度の単調減少関数に基づいて前記トレーニングされるサンプルのカテゴリ人気度重みを決定することを含むことを特徴とする
請求項１に記載の方法。
サンプル重み設定装置であって、
Ｏ２Ｏプラットフォームにおけるログデータを取得し、前記ログデータに基づいてトレーニングされるサンプルの人気度指標の値を取得するための人気度指標取得モジュールと、前記人気度指標は、エリア人気度、タイム人気度、カテゴリ人気度を含み、
各前記人気度指標の値に基づいて前記トレーニングされるサンプルの前記人気度指標に対応する単一人気度指標重みを決定するための単一人気度指標重み決定モジュールと、
全ての前記人気度指標に対応する前記単一人気度指標重みに基づき、前記トレーニングされるサンプルのサンプル重みを決定するためのサンプル重み決定モジュールを備え、
前記サンプル重み決定モジュールは、
前記単一人気度指標の重要度に応じて前記人気度指標に対応する少なくとも一つの前記単一人気度指標重みを調整し、全ての前記人気度指標に対応する前記調整された単一人気度指標重みの積を前記トレーニングされるサンプルのサンプル重みとするための第二のサンプル重み決定ユニットを含む
前記サンプル重み設定装置。
前記単一人気度指標の重要度に応じて前記人気度指標に対応する前記単一人気度指標重みを調整することは、
前記トレーニングされるサンプルのサンプル重みに対する前記調整された単一人気度指標重みの割合が前記単一人気度指標の重要度に適応するように、前記単一人気度指標の重要度に応じて前記人気度指標に対応する前記単一人気度指標重みを調整することを含むことを特徴とする
請求項６に記載の装置。
前記人気度指標がエリア人気度を含む場合、前記単一人気度指標重み決定モジュールはさらに前記エリア人気度の単調減少関数に基づいて前記トレーニングされるサンプルのエリア人気度重みを決定するために用いられることを特徴とする
請求項６に記載の装置。
前記人気度指標がタイム人気度を含む場合、前記単一人気度指標重み決定モジュールはさらに前記タイム人気度の単調減少関数に基づいて前記トレーニングされるサンプルのタイム人気度重みを決定するために用いられることを特徴とする
請求項６に記載の装置。
前記人気度指標がカテゴリ人気度を含む場合、前記単一人気度指標重み決定モジュールはさらに前記カテゴリ人気度の単調減少関数に基づいて前記トレーニングされるサンプルのカテゴリ人気度重みを決定するために用いられることを特徴とする
請求項６に記載の装置。
メモリ、プロセッサ及び前記メモリに記憶され、且つ前記プロセッサで実行可能なコンピュータプログラムを備える電子装置であって、前記プロセッサが前記コンピュータプログラムを実行する時に請求項１−５のいずれか一項に記載のサンプル重み設定方法が実現されることを特徴とする前記電子装置。
コンピュータプログラムを記憶するコンピュータ可読記憶媒体であって、前記コンピュータプログラムがプロセッサによって実行される時に請求項１−５のいずれか一項に記載のサンプル重み設定方法が実現されることを特徴とする前記コンピュータ可読記憶媒体。